PUBLICACIÓN BIMESTRAL DE LA UNIVERSIDAD DE CIENCIAS MÉDICAS DE LA HABANA | Editorial Ciencias Médicas

_____________________________________________________________________________________________________

Este es un artículo en Acceso Abierto distribuido según los términos de la Licencia Creative Commons Atribución–NoComercial 4.0 que permite el uso, distribución y reproducción no comerciales y sin restricciones en cualquier medio, siempre que sea debidamente citada la fuente primaria de publicación.

Página 678

ecimed

Revista Habanera

de Ciencias Médicas

AÑO 2019 18(4) JULIO-AGOSTO

ISSN 1729 - 519X

CIENCIAS TECNOLÓGICAS

ARTÍCULO ORIGINAL

Software para la categorización semiautomática de asociaciones libres sobre el bienestar de trabajadores habaneros

Software for semi-automatic categorization of free associations to promote the welfare

of workers of Havana

Damián Valdés Santiago1*, José Carlos Oliva Guerrero1 1 Universidad de La Habana. Facultad de Matemática y Computación. Departamento de Matemática

Aplicada. La Habana, Cuba.

*Autor para la correspondencia: dvs89cs@matcom.uh.cu

Cómo citar este artículo

Valdés Santiago D, Oliva Guerrero JC. Software para la categorización semiautomática de asociaciones libres sobre el

bienestar de trabajadores habaneros. Rev haban cienc méd [Internet]. 2019 [citado ]; 18(4):678-692. Disponible

en: http://www.revhabanera.sld.cu/index.php/rhab/article/view/2529

Recibido: 19 de noviembre del 2018.

Aprobado: 03 de junio del 2019.

____________________________________________________________________________________________________

RESUMEN

Introducción: Especialistas de la Facultad de

Psicología de la Universidad de La Habana

propusieron el cuestionario sobre Bienestar

Humano Personal, Laboral y Social (BHPLS), que

se aplicó a 135 trabajadores cubanos de tres

grupos sociolaborales. Dada la variedad de

respuestas, se impuso un análisis de contenido

(AC) para la Pregunta 1 del cuestionario.

Objetivo: Proponer e implementar un software

que permita la categorización semiautomática en

un AC para dicha pregunta.

Material y Métodos: Se utilizó el índice de

concordancia Kappa para evaluar el acuerdo

entre expertos respecto al esquema de

categorías. Se implementó un software en el

lenguaje de programación Python para cumplir el

Revista Habanera de Ciencias Médicas ISSN 1729-519X

Este es un artículo en Acceso Abierto distribuido según los términos de la Licencia Creative Commons Atribución–NoComercial 4.0 que permite el uso, distribución y reproducción no comerciales y sin restricciones en cualquier medio, siempre que sea debidamente citada la fuente primaria de publicación.

Página 679

objetivo, considerando las funcionalidades de

softwares similares.

Resultados: Se implementó, validó y registró un

software “BHPLS data processing-UH®” que

permite establecer las categorías, cargar los

datos, categorizarlos semiautomáticamente y

guardar el resultado, entre otras funcionalidades.

La categorización manual con estudiantes de

Psicología obtuvo un índice de concordancia

Kappa negativo (bajo acuerdo entre expertos),

mientras que usando el software propuesto, se

alcanzó un Kappa global 0.7871 con p=0.00 (alta

concordancia y alta significación estadística).

Además, se propuso un algoritmo para la

unificación de las categorizaciones de expertos y

se ejecutó un Análisis de Correspondencias

(ANACOR) sobre la combinación de

categorizaciones obtenidas.

Conclusiones: Dada la alta concordancia

alcanzada, se recomienda el uso del software por

su adaptabilidad, facilidad de uso y la

“humanización” del AC. El ANACOR permitió

observar similitudes entre los grupos

sociolaborales. Las funcionalidades del software

pueden aplicarse para el procesamiento de

asociaciones libres en otros escenarios.

Palabras clave: análisis de contenido, análisis

asistido de datos cualitativos, minería de texto,

bienestar humano, asociaciones libres, índice de

concordancia Kappa.

ABSTRACT

Introduction: Experts of the Faculty of

Psychology of the University of Havana proposed

the Personal, Labor and Social Human Well-being

questionnaire (BHPLS, in Spanish), that was

applied to 135 Cuban workers of three social and

occupational groups. Given the variety of

responses, a content analysis (CA) was used for

Question 1 of the mentioned questionnaire.

Objective: To present and implement a software

that allows a semi-automatic categorization in a

CA used for this question.

Material and Methods: The Kappa index test was

used to evaluate experts´ agreement with respect

to category schemes. We implemented a

software with the Python programming language

to achieve our objective, considering other

similar software functionalities.

Results: We implemented, validated and

registered the software BHPLS data processing-

UH® that allows to set up a categories system,

load the collected data, categorize associations in

a semi-automatic way, and save the results,

among other functionalities. This software was

validated by Psychology students and, when they

performed the manual categorization, a negative

Kappa agreement index (low categorization

agreement between experts) was obtained

whereas using the proposed software, a global

Kappa index of 0.7871 with p=0.00 (high and

statistically significant categorization agreement

between experts) was obtained. Besides, we

proposed a unified algorithm for expert’s

categorizations, and carried out a

Correspondence Analysis (ANACOR) on the basis

of the categorizations achieved.

Conclusions: According to the high concordance

attained, we recommend the software due to its

adaptability, ease of use, and “humanization'' of

Revista Habanera de Ciencias Médicas ISSN 1729-519X

Este es un artículo en Acceso Abierto distribuido según los términos de la Licencia Creative Commons Atribución–NoComercial 4.0 que permite el uso, distribución y reproducción no comerciales y sin restricciones en cualquier medio, siempre que sea debidamente citada la fuente primaria de publicación.

Página 680

the process. The CA allowed us to observe

similarities in social and occupational groups. The

software functionalities can be applied for

processing free associations in other scenarios.

Keywords: content analysis, qualitative data

analysis, text mining, human welfare, free

associations, Kappa index test.

INTRODUCCIÓN

El análisis de datos textuales es un tema

importante para la psicología social. Estos datos

permiten el estudio del lenguaje con suficiente

distancia entre el investigador y lo investigado.

Hace unos años atrás la única posible vía para

analizar estos datos era un largo y exhaustivo

trabajo de clasificación manual para realizar un

análisis de contenido (AC),(1) seguido del análisis

estadístico de las clases o categorías obtenidas.

Actualmente, el volumen de datos textuales

presentes en diversos contextos ha aumentado

drásticamente debido al desarrollo de los medios

de comunicación y los diversos formatos de

publicación. Sin embargo, la informática permite

(semi)automatizar y controlar este proceso

mediante software.

Jenny(2) agrupa el software para el procesamiento

de texto en cuatro grandes grupos: lexicométrico,

sociosemántico, redes de asociaciones de

palabras y análisis del discurso proposicional y

predictivo. El enfoque más usado en el

procesamiento de representaciones sociales es el

lexicométrico.(3,4) Dicho enfoque consiste en

comparar perfiles léxicos (distribuciones relativas

de ocurrencias léxicas) dentro de un corpus o

entre corpora.(2)

El principio del AC está, sobre todo, basado en la

concepción de ciertas categorías globales o clases

que tienen su propio significado, y luego en la

distribución de varios elementos de los textos

considerados en dichas clases con un propósito

descriptivo y comparativo. La etapa final del

análisis es un cálculo que puede apelar a la

estadística descriptiva o a la inferencial. Esto se

corresponde con el enfoque sociosemántico

descrito por Jenny.(2)

Según este investigador, los programas de este

tipo segmentan el corpus en unidades de

significado relevantes, logran una categorización

multidimensional de acuerdo con el entramado

conceptual específico a cada investigación (i.e.

una codificación a posteriori en la que el

investigador lee el texto, anota y codifica las

unidades de significado en el corpus), y pueden

usar métodos estadísticos.(2)

Para el software basado en el enfoque

lexicométrico ocurre a la inversa. Todo comienza

con el cómputo que genera clases o grupos de

elementos en los textos. La última fase consiste

en darle un significado por parte del investigador

a las clases obtenidas. Los dos enfoques son

radicalmente diferentes: en el primer caso se

computa partiendo del significado, en el otro, se

encuentra el significado mediante el cómputo.

Los software para Análisis de Datos Cualitativos

(SADC) se utilizan en investigaciones en ciencias

sociales. Brindan una amplia variedad de

herramientas cuya asistencia posibilita optimizar

el procesamiento e interpretación de grandes

volúmenes de datos, contribuir a la validez de los

Revista Habanera de Ciencias Médicas ISSN 1729-519X

Este es un artículo en Acceso Abierto distribuido según los términos de la Licencia Creative Commons Atribución–NoComercial 4.0 que permite el uso, distribución y reproducción no comerciales y sin restricciones en cualquier medio, siempre que sea debidamente citada la fuente primaria de publicación.

Página 681

hallazgos y facilitar el intercambio de opiniones

entre varios investigadores que no

necesariamente comparten el mismo espacio-

tiempo de trabajo.

Más allá de las ventajas operativas y analíticas, la

incorporación de los SADC también ha suscitado

una serie de objeciones. Algunas voces

reconocen que dichos recursos informáticos

pueden extremar el fraccionamiento de la

información y perder una visión integrada,

distanciar al investigador de los datos o incluso

retrotraer los avances logrados en el análisis

cualitativo a épocas pasadas.

Se pueden utilizar diferentes SADC, entre los más

utilizados están los siguientes: ATLAS.ti(5) es un

SADC propietario alemán que facilita el desarrollo

de las tareas propias de cualquier análisis

cualitativo de datos en soporte textual y

multimedia y es especialmente apropiado para

proyectos de investigación que involucran

grandes volúmenes de datos. Permite la

segmentación del texto en citas; la codificación

de los documentos analizados en función de un

sistema de categorías; la recuperación selectiva

de datos en función de las necesidades del

investigador; la elaboración de comentarios y

anotaciones; la generación de familias de

documentos, códigos y memos; y la

representación gráfica de las relaciones teóricas

identificadas y construidas durante el análisis.

NVivo(6) es un software propietario desarrollado

por QSR International que permite organizar,

analizar y encontrar perspectivas en datos no

estructurados como entrevistas, respuestas de

encuestas con preguntas abiertas, artículos,

contenido de redes sociales y web, que pueden

aparecer digitales tanto en texto, audio, video o

imagen. Además, brinda herramientas para la

codificación de datos, la descripción de

contenido, la preparación de relaciones entre

códigos a través de un sistema de nodos y

árboles, y la rapidez en la búsqueda y

presentación de la información.

MAXQDA es un software propietario que puede

organizar, categorizar, buscar y recuperar

información de cualquier tipo de archivos

multimedia. Entre sus funcionalidades están la

categorización de segmentos de datos, el análisis

rápido de preguntas de encuestas que pueden

ser importadas desde Excel, el análisis estadístico

de los datos cualitativos, la creación de

comentarios, notas y memos; el resumen de

contenido haciendo uso de su modo Paraphrase

y la interconexión de datos.

Las facultades de Psicología y Matemática y

Computación de la Universidad de La Habana

colaboran en el proyecto institucional donde se

diseñó, por un equipo de psicólogos, el

cuestionario sobre Bienestar Humano Personal,

Laboral y Social (BHPLS).(7,8) El cuestionario consta

de preguntas relativas a la noción de bienestar de

los sujetos estudiados. Se entiende el bienestar

humano como un constructo multidimensional

que consiste en juicios de satisfacción sobre los

diferentes dominios o esferas de la vida del

sujeto.

Dada la variedad de respuestas y la cantidad de

sujetos participantes es necesario reducir la

información textual. Esto se logra mediante la

creación de un sistema de categorías o clases y la

categorización de las respuestas en dichas clases

mediante un AC.(9) Luego de la categorización, por

Revista Habanera de Ciencias Médicas ISSN 1729-519X

Este es un artículo en Acceso Abierto distribuido según los términos de la Licencia Creative Commons Atribución–NoComercial 4.0 que permite el uso, distribución y reproducción no comerciales y sin restricciones en cualquier medio, siempre que sea debidamente citada la fuente primaria de publicación.

Página 682

al menos dos expertos de la misma calificación,

se obtiene una categorización única que refleja el

consenso estos, según el índice de concordancia

Kappa.(10) Con dicha categorización se analizan las

similitudes de las respuestas por estratos de la

muestra, determinados por variables

sociodemográficas como el sexo, el grupo de

edad y el grupo sociolaboral. Para esto se utiliza

el Análisis de Correspondencias (ANACOR).(11)

El AC se realiza típicamente de forma manual, lo

que provoca errores en el proceso y la

consecuente demora. Aunque existen software

para realizar AC en ciencias sociales, como los

SADC mencionados anteriormente, no es factible

adaptarlos para su uso en el procesamiento de

datos del cuestionario BHPLS, puesto que la

mayoría tienen como entrada textos largos, el

cuestionario usado tiene estructura propia y los

textos son relativamente cortos. Además, la

categorización por triangulación (codificada

mediante el vector 3D) es necesaria para una

visión integradora de las respuestas y constituye

un aporte al procesamiento del cuestionario, por

lo que no se ajusta al modelo de cómputo

propuesto por los programas previamente

analizados.

Por ello, esta investigación tiene como objetivo

diseñar, implementar y validar un software para

semiautomatizar el AC para datos provenientes

de la Pregunta 1 del cuestionario mencionado.

MATERIAL Y MÉTODOS

Obtención de los datos

Se aplicó el cuestionario sobre Bienestar Humano

Personal, Laboral y Social (BHPLS)(7,8) a una

muestra no probabilística tomando como

población a trabajadores cooperativistas,

cuentapropistas y estatales. Otros criterios de

inclusión fueron la voluntariedad y la pertenencia

al sector económico de la gastronomía. Se

escogió este sector debido a la particularidad de

presentar tres de las modalidades organizativas

presentes en la actualización del modelo de la

economía cubana. Se incluyeron entidades de

tamaño pequeño y mediano. La muestra quedó

conformada por 135 individuos. El registro de los

datos se realizó mediante Microsoft Excel 2013.

Dada la naturaleza textual de las respuestas a las

preguntas, se realizó un preprocesamiento de los

datos para corregir faltas de ortografía y

descartar individuos con muchos datos faltantes

(no respuestas).

En esta investigación se procesó solo la Pregunta

1 del cuestionario BHPS. Esa pregunta pide a los

individuos responder mediante asociaciones

libres (frases escritas cortas) tres preguntas

referidas a su percepción de bienestar, de quién

depende este y qué está haciendo para

alcanzarlo. El encuestado puede dar hasta cinco

respuestas a cada una de estas preguntas y se

considera que cada una está relacionada según su

orden.

Categorización semiautomática

Dada la variedad de respuestas de los sujetos es

necesario codificarlas para poder realizar el

análisis, para ello y, basándose en la frecuencia

de n-gramas y las correspondientes nubes de

palabras, se construyó un esquema de 18

categorías. Para proceder a asignar respuestas en

cada categoría se realizó el siguiente

Revista Habanera de Ciencias Médicas ISSN 1729-519X

Este es un artículo en Acceso Abierto distribuido según los términos de la Licencia Creative Commons Atribución–NoComercial 4.0 que permite el uso, distribución y reproducción no comerciales y sin restricciones en cualquier medio, siempre que sea debidamente citada la fuente primaria de publicación.

Página 683

procedimiento.

A cada sujeto se le asigna un número consecutivo

o ID para su identificación en la base de datos.

Cada sujeto tiene que responder a tres

preguntas: ¿Qué características considera usted

que definen un estado óptimo de bienestar?, ¿De

quién depende el que usted alcance dicha

característica? y ¿Qué es lo que usted está

haciendo para alcanzar o satisfacer dichas

características? con cinco posibilidades de

respuesta.

Por cada respuesta se obtiene un vector 3D

formado por los textos evocados por el sujeto a

cada una de las tres preguntas previas. Cada

vector 3D es identificado como <ID del sujeto>-

<número de la respuesta> (e.g. el vector 3-4 se

refiere a la cuarta respuesta del sujeto 3 a las

preguntas descritas).

Los resultados de la categorización hecha por

cada psicólogo (de forma manual o con software)

se guardan en un archivo Excel cuyas columnas

representan a cada categoría del esquema

construido, incluyendo una columna para

vectores 3D que no se ajustan a este. Luego, los

psicólogos participantes en la categorización

colocan cada vector 3D en la columna

perteneciente a la categoría que estos le asignan.

El proceso de categorización manual realizado

por los psicólogos consistía en: crear el archivo

donde guardar los ID categorizados, leer de la

base de datos de las encuestas las respuestas de

un sujeto, identificar los IDs de los vectores

asociados a este, categorizarlos uno a uno

manualmente, guardar los resultados en el Excel

creado, y repetir para todos los sujetos

encuestados.

Luego de obtener todas las categorizaciones de

los expertos, se procede a verificar si estos

concuerdan respecto a la asignación de cada

vector 3D a cada categoría. Para ello se computa

el índice Kappa.

Índice de concordancia Kappa

El índice Kappa permite medir el acuerdo de un

grupo de expertos frente a la categorización de

ciertos objetos en un sistema predeterminado de

clases o categorías. Existen varios escenarios de

uso como el caso de dos categorías y dos jueces,

dos categorías y más de dos jueces, y tres o más

categorías y más de dos jueces. Precisamente,

este fue el caso en la categorización

implementada en el software presentado en este

artículo.

Kappa de la categoría e intervalo de confianza

El índice Kappa de la categoría (12) se computa de

la siguiente forma:

El intervalo de confianza jackknife para el Kappa

de la categoría con nivel de confianza (10):

Prueba de significación para el Kappa de la

categoría

El estadístico para contrastar la hipótesis

frente a es:

El error estándar de Kappa para el contraste:

Revista Habanera de Ciencias Médicas ISSN 1729-519X

Este es un artículo en Acceso Abierto distribuido según los términos de la Licencia Creative Commons Atribución–NoComercial 4.0 que permite el uso, distribución y reproducción no comerciales y sin restricciones en cualquier medio, siempre que sea debidamente citada la fuente primaria de publicación.

Página 684

donde:

es el número de sujetos,

es el número de observadores por sujeto,

es el número de categorías,

es el número de clasificaciones del sujeto

en la categoría y , ,

es la proporción global de

clasificaciones en la categoría , y

,

es la estimación jackknife de Kappa y

es el error estándar de ,

es el percentil de la distribución de

Student con grados de libertad que

deja a la izquierda una cola de probabilidad

, y

es el nivel de confianza.

Kappa global e intervalo de confianza

El índice Kappa global(12) se calcula de la siguiente

forma:

Su intervalo de confianza jackknife para el Kappa

global con nivel de confianza (10) se

computa según:

Prueba de significación para el Kappa global

El estadístico para contrastar frente a

es:

El error estándar de Kappa para el contraste se

estima mediante la expresión:

donde es el Kappa de la categoría con

, y es la estimación jackknife de

Kappa y es el error estándar de .

Algoritmo para la unificación de categorizaciones

El algoritmo para la obtención de una sola

categorización, sobre la misma muestra y el

mismo esquema de categorías, que resuma los

criterios de diversos expertos con alto índice

Kappa, recibe como entrada archivos Excel con

las categorizaciones realizadas (Ver formato de la

Figura 3) y obtiene una categorización única

mediante la heurística majority voting. Esta

categorización resume la opinión de todos los

expertos que categorizaron y permite ejecutar un

ANACOR para establecer relaciones entre las

categorías y diversos estratos de la muestra.

En la heurística majority voting se itera por todos

los vectores 3D y por cada uno se guardan las

categorías que le fueron asignadas en los archivos

dados, finalmente, se le elige la categoría con más

ocurrencias, en caso de haber más de una

categoría con la mayor cantidad de ocurrencias

se toma entre ellas la primera que fue

encontrada.

Revista Habanera de Ciencias Médicas ISSN 1729-519X

Este es un artículo en Acceso Abierto distribuido según los términos de la Licencia Creative Commons Atribución–NoComercial 4.0 que permite el uso, distribución y reproducción no comerciales y sin restricciones en cualquier medio, siempre que sea debidamente citada la fuente primaria de publicación.

Página 685

RESULTADOS

Tomando en cuenta la revisión del estado del

arte, se implementó un software en el lenguaje

de programación Python 3.6(13) y sus módulos

(e.g. PyQt5;(14) openpyxl(15)), que permitió la

categorización semiautomática de los vectores

3D.

A través del software se posibilita la creación del

diccionario de categorías, así como su edición y

eliminación (Figura 1). El carácter flotante de la

ventana del diccionario hace que los psicólogos

inmersos en la categorización puedan consultar

el diccionario desde la misma aplicación,

evitando tenerlo impreso o en formato Microsoft

Word, como se hacía en el proceso tradicional.

El software BHPLS data processing-UH®,(16,17)

implementado y presentado en este artículo,

siguió el enfoque lexicométrico, puesto que

permite que los psicólogos elaboren sus

categorías y les posibilita la asignación de las

asociaciones libres de los sujetos a cada

categoría.

Figura 1. Ventana flotante donde se muestra el esquema de categorías desde la misma aplicación

Entre las funcionalidades de este software está la

lectura de las respuestas del cuestionario desde

un archivo Excel con una estructura específica.

Luego, se muestran los vectores 3D de un sujeto

elegido de manera aleatoria y el usuario asigna

una categoría del esquema construido a cada

vector (Figura 2a). En la Figura 2b puede notarse

el sombreado de los datos faltantes. Estos datos

pueden estar en todo el vector 3D o en alguno de

sus componentes y pueden provocar que la

información no sea suficiente para categorizarla.

Este proceso se reitera hasta categorizar todos

Revista Habanera de Ciencias Médicas ISSN 1729-519X

Este es un artículo en Acceso Abierto distribuido según los términos de la Licencia Creative Commons Atribución–NoComercial 4.0 que permite el uso, distribución y reproducción no comerciales y sin restricciones en cualquier medio, siempre que sea debidamente citada la fuente primaria de publicación.

Página 686

los vectores 3D de los sujetos en la muestra. Una

vez terminada la categorización de todos los

vectores 3D, el software crea un archivo Excel

donde se guardan los resultados del proceso en

una ruta especificada por el usuario (Figura 3).

Cabe destacar que los vectores en el Excel creado

se muestran ordenados por cada categoría. A lo

largo de la categorización se muestran el ID del

sujeto analizado, los datos faltantes, cuántos

sujetos se han analizados y cuántos faltan por

analizar

(a)

(b)

Figura 2: 2a- Vista de la ventana de categorización. 2b- Instante de una categorización con datos

faltantes destacados en amarillo

Revista Habanera de Ciencias Médicas ISSN 1729-519X

Este es un artículo en Acceso Abierto distribuido según los términos de la Licencia Creative Commons Atribución–NoComercial 4.0 que permite el uso, distribución y reproducción no comerciales y sin restricciones en cualquier medio, siempre que sea debidamente citada la fuente primaria de publicación.

Página 687

Figura 3: Archivo de Excel que constituye la salida del software al terminar una categorización

Validación del software por expertos

Estudiantes de la Facultad de Psicología pusieron

a prueba el software categorizando los vectores

3D de 135 sujetos, terminaron la tarea en

aproximadamente 1 hora. Los mismos

estudiantes habían realizado con anterioridad el

proceso manualmente, finalizaron en 3 o 4 días.

La semiautomatización de la categorización con

el empleo del software reduce significativamente

el tiempo del proceso y el usuario no necesita

lidiar con las dificultades propias de la lectura de

los datos de las encuestas ni de la creación del

archivo resultante de la categorización. Estas

nuevas facilidades mejoran la experiencia y los

resultados del proceso.

Además, la calidad de la categorización aumentó

ampliamente al utilizar el software presentado.

Se realizaron dos iteraciones de la categorización

con estudiantes de psicología obteniendo un

índice Kappa negativo en cada ocasión. Al utilizar

el software con 675 vectores 3D, 19 categorías y

5 observadores se logró un Kappa global 0.78,

error estándar 0.01, IC = [0.75, 0.81] y p = 0.00.

(Tabla 1).

Revista Habanera de Ciencias Médicas ISSN 1729-519X

Este es un artículo en Acceso Abierto distribuido según los términos de la Licencia Creative Commons Atribución–NoComercial 4.0 que permite el uso, distribución y reproducción no comerciales y sin restricciones en cualquier medio, siempre que sea debidamente citada la fuente primaria de publicación.

Página 688

Tabla 1: Índices Kappa global y por categorías. Notar que en todos los casos se obtiene una alta

concordancia y una alta significación estadística

Categorías Kappa IC (95 %) Estadístico z Valor p

Sin categoría 0,79 0,72 0,85 65,11 0,00

Salud 0,89 0,86 0,93 73,93 0,00

Solvencia económica 0,88 0,84 0,91 72,38 0,00

Condiciones materiales de vida 0,83 0,78 0,88 68,70 0,00

Familia 0,91 0,88 0,95 75,27 0,00

Felicidad 0,72 0,57 0,86 59,38 0,00

Trabajo 0,80 0,76 0,85 66,45 0,00

Equidad 0,43 0,27 0,59 35,47 0,00

Autoestima 0,44 0,18 0,69 36,33 0,00

Prosperidad 0,36 0,21 0,51 29,94 0,00

Competente 0,69 0,57 0,81 57,11 0,00

Aspiraciones 0,45 0,28 0,63 37,66 0,00

Convivencia social 0,67 0,60 0,74 55,20 0,00

Seguridad 0,45 -0,32 1,24 37,49 0,00

Espiritualidad 0,57 0,25 0,89 47,39 0,00

Pareja 0,89 0,83 0,96 73,75 0,00

Recreación 0,72 0,58 0,86 59,69 0,00

Amigos 0,88 0,78 0,99 73,04 0,00

Valores 0,54 0,45 0,64 45,13 0,00

Kappa global 0,78 0,76 0,81 205,11 0,00

En la Tabla 2 se muestran las 19 categorías

obtenidas, luego de la unificación de categorías,

y se desglosa por categoría la cantidad de

asociaciones brindadas por los sujetos dentro de

cada grupo laboral. Las columnas finales

presentan el resultado de aplicar la prueba de

independencia(12) y los valores

correspondientes. Esta prueba estadística se

hace por cada categoría respecto a los tres grupos

laborales considerados.

Se hallaron diferencias significativas entre la

noción de bienestar de los tres grupos laborales

respecto a las categorías solvencia económica,

trabajo, condiciones materiales de vida y

tranquilidad, la diferencia en las dos últimas

categorías es la más acentuada.

Revista Habanera de Ciencias Médicas ISSN 1729-519X

Este es un artículo en Acceso Abierto distribuido según los términos de la Licencia Creative Commons Atribución–NoComercial 4.0 que permite el uso, distribución y reproducción no comerciales y sin restricciones en cualquier medio, siempre que sea debidamente citada la fuente primaria de publicación.

Página 689

Tabla 2: Categorización de las asociaciones libres para la Pregunta 1

Categorización Cooperativista Cuentapropista Estatal Total

Salud 23 26 20 69 0.37 0.82

Solvencia económica 28 18 12 58 4.03 0.13**

Condiciones materiales de vida

26 12 12 50 6.06 0.04*

Familia 10 15 11 36 1.33 0.51

Autoestima 10 10 9 29 0.18 0.91

Felicidad 9 12 6 27 0.99 0.60

Trabajo 8 5 11 24 4.68 0.09**

Tranquilidad 2 12 9 23 8.14 0.01*

Competente 10 5 6 21 1.61 0.44

Equidad 10 6 4 20 1.65 0.43

Amor 4 9 6 19 2.15 0.34

Convivencia social 6 6 5 17 0.02 0.98

Paz 4 9 4 17 2.39 0.30

Prosperidad 7 5 2 14 1.63 0.44

Aspiración 4 6 1 11 2.51 0.28

Seguridad 2 3 3 8 0.59 0.74

Amigos 3 2 3 8 0.55 0.75

Creencia espiritual 1 2 2 5 0.68 0.70

*p<0.05, **p<0.2

En la Figura 4 se muestra el resultado del

ANACOR(11) ejecutado en el software Statistica(17)

en los datos de la Tabla 2. La proyección en dos

dimensiones mostró ser suficiente dado que se

explicó el 95.94 % de la variabilidad presente en

los datos donde .

Revista Habanera de Ciencias Médicas ISSN 1729-519X

Este es un artículo en Acceso Abierto distribuido según los términos de la Licencia Creative Commons Atribución–NoComercial 4.0 que permite el uso, distribución y reproducción no comerciales y sin restricciones en cualquier medio, siempre que sea debidamente citada la fuente primaria de publicación.

Página 690

Figura 4: Análisis de correspondencias de los datos de la categorización.

Los resultados que muestra la Figura 4 ofrecen

datos que han sido analizados como parte del

estudio y otros cuyo análisis desborda los

objetivos de este artículo y que brindan nuevas

perspectivas para investigaciones futuras.

Los trabajadores cooperativistas se posicionan

muy cerca de las categorías solvencia económica,

condiciones materiales de vida y equidad. Entre

las categorías más lejanas se hallan tranquilidad y

estudios. Los cuentapropistas se colocan junto a

las categorías felicidad, paz y creencia espiritual.

Entre las categorías más lejanas se observan éxito

y amigos. Los trabajadores estatales se ubican

cerca de las categorías amigos y seguridad. Entre

las categorías más lejanas se observan aspiración

y éxito. Las categorías salud, familia y convivencia

social muestran su importancia para los tres

grupos laborales.

Limitaciones del estudio

El software propuesto está implementado a la

medida de la estructura de la Pregunta 1 del

cuestionario BHPLS, aunque es flexible de

adaptarse a otros cuestionarios con preguntas

abiertas. El algoritmo para el cómputo del índice

Kappa y el método para unificar las

categorizaciones dependen de una estructura

común para los archivos Excel donde estas se

almacenan.

Revista Habanera de Ciencias Médicas ISSN 1729-519X

Este es un artículo en Acceso Abierto distribuido según los términos de la Licencia Creative Commons Atribución–NoComercial 4.0 que permite el uso, distribución y reproducción no comerciales y sin restricciones en cualquier medio, siempre que sea debidamente citada la fuente primaria de publicación.

Página 691

CONCLUSIONES

A pesar de que existe variedad de SADC, se hizo

imprescindible la creación de uno que se ajustara

al cuestionario BHPLS y al trabajo realizado por

los investigadores de la Facultad de Psicología. A

partir de la semiautomatización del proceso

aportada por el software presentado y el

algoritmo propuesto para la unificación de

categorías, los investigadores, con muy buenas

impresiones en su uso, han llegado a mejores

resultados en el estudio que desarrollan.

AGRADECIMIENTOS

Los autores desean agradecer la participación de

las profesoras Dra.C. Maiky Díaz Pérez, Dra.C.

Daybel Pañellas Álvarez y MSc. Marta Martínez

Rodríguez, y los estudiantes Amanda Noriega

Rodríguez, Gabriela Díaz Pérez, Surashy de la

Caridad García Milán, Andy Luis Marrero Vega y

Anabel Rodríguez Conde de la Facultad de

Psicología de la Universidad de La Habana por su

colaboración en la categorización manual y

semiautomática mediante el software propuesto

en este artículo. Además, deseamos agradecer al

revisor anónimo de este trabajo por sus

acertados comentarios y revisión profunda del

texto

REREFERENCIAS BIBLIOGRÁFICAS

1. Neuendorf KA. The content analysis guidebook

[Internet]. Second edition. 2017 [cited 2019 Mar 8].

438 p. Available from: https://us.sagepub.com/en-

us/nam/the-content-analysis-

guidebook/book234078

2. Jenny J. Méthodes et pratiques formalisées

d’analyse de contenu et de discours dans la recherche

sociologique française contemporaine. Etat des lieux

et essai de classification. Bull Méthodologie Sociol.

1997;54:64–112.

3. Lahlou S. A method to extract social

representations from linguistic corpora. Japanese J

Exp Soc Psychol. 1996;35(3):278–391.

4. de Rosa AS. The associative network: A technique

for detecting structure, contents, polarity and

stereotyping indexes of the semantic fields. Eur Rev

Appl Psychol. 2002;3–4:81–200.

5. Woolf NH, Silver C. Qualitative analysis using

ATLAS.ti: the five-level QDA method [Internet].

Routledge; [cited 2019 Mar 8]. 194 p. Available

from: https://www.routledge.com/Qualitative-

Analysis-Using-ATLASti-The-Five-Level-QDA-

Method/Woolf-Silver/p/book/9781138743656

6. Woolf NH, Silver C. Qualitative analysis using nvivo:

The five-level QDA® method. Qualitative Analysis

Using NVivo: The Five-Level QDA Method. London:

Routledge, 2017 [cited 2019 Mar 8]. Available from:

https://www.routledge.com/Qualitative-Analysis-

Using-NVivo-The-Five-Level-QDA-Method/Woolf-

Silver/p/book/9781138743670

7. Noriega Rodríguez A. Cuestionario que estudia el

bienestar humano como constructo

multidimensional. Caso de Estudio: Relación entre

Bienestar y Trabajo. Trabajo de Diploma presentado

en opción al título de Licenciado en Psicología.

Tutores: Maiky Díaz Pérez, Marta Martínez Rodríguez

y Damian Valdés Santiago. Universidad de La Habana;

2018.

8. Díaz-Pérez M, Valdés-Santiago D. Desarrollo del

potencial humano y bienestar en el trabajo. In:

Revista Habanera de Ciencias Médicas ISSN 1729-519X

Este es un artículo en Acceso Abierto distribuido según los términos de la Licencia Creative Commons Atribución–NoComercial 4.0 que permite el uso, distribución y reproducción no comerciales y sin restricciones en cualquier medio, siempre que sea debidamente citada la fuente primaria de publicación.

Página 692

Ferreira M, editor. Intensificação, Precarização,

Esvaziamento do Trabalho e Margens de

Enfrentamento, “GT Trabalho e Saúde’’’.” Associação

Nacional de Pesquisa e Pós-Graduação (ANPEPP),

Brasil; 2018.

9. Krippendorff KH. Content Analysis: An Introduction

to Its Methodology. 4th ed. Los Angeles: SAGE, 2019.

Available from: https://us.sagepub.com/en-

us/nam/content-analysis/book258450

10. Tang W, Hu J, Zhang H, Wu P, He H. Kappa

coefficient: a popular measure of rater agreement.

Shanghai Arch psychiatry [Internet]. 2015 Feb 25

[cited 2019 Mar 8];27(1):62–7. Available from:

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC437

2765

11. Greenacre M. Correspondence Analysis in

Practice. 3rd edition. Boca Raton: CRC Press, Taylor &

Francis Group, 2017. [cited 2019 Mar 8] Available

from: https://www.crcpress.com/Correspondence-

Analysis-in-

Practice/Greenacre/p/book/9781498731775

12. Fleiss JL, Levin B, Paik MC, Fleiss J. Statistical

Methods for Rates & Proportions. 3rd ed. New York:

Wiley-Interscience; 2014. [cited 2019 Mar 8] Available

from: https://www.wiley.com/en-

cu/Statistical+Methods+for+Rates+and+Proportions

%2C+3rd+Edition-p-9780471526292

13. Romano F. Learn Python programming: a

beginner’s guide to learning the fundamentals of

Python language to write efficient, high quality code

[Internet]. Second edition. 2018 [cited 2019 Mar 8].

Available from:

https://www.packtpub.com/application-

development/learn-python-programming-second-

edition

14. Summerfield M. Rapid GUI programming with

Python and Qt : the definitive guide to PyQt

programming [Internet]. [Place of publication not

identified]: Prentice Hall; 2015 [cited 2019 Mar 8].

Available from:

https://www.oreilly.com/library/view/rapid-gui-

programming/9780132354189/

15. Gazoni E, Clark C. openpyxl: A Python library to

read/write Excel 2010 xlsx/xlsm files. 2018.

16. Guerrero-Oliva JC, Valdés-Santiago D. Software

para el Análisis de Contenido de nociones de

bienestar en una aplicación del cuestionario BHPLS.

En: X Encuentro de Estudiantes de Psicología. La

Habana, Cuba: ISBN 978-959-16-3917-2; 2018.

17. Oliva Guerrero JC, Valdés Santiago D. BHPLS data

processing-UH®. Número de registro 2984-09-20,

Centro Nacional del Derecho de Autor, La Habana,

Cuba, 2018.

18. StatSoft, I. (2017). STATISTICA (data analysis

software system), version 8.0.

Conflicto de intereses

Los autores declaran no tener ningún conflicto de intereses.

Contribución de autoría

Todos los autores participamos en la discusión de los resultados y hemos leído, revisado y aprobado el texto final

del artículo.